Ben Cohen opisał w piątkowym wydaniu „The Wall Street Journal” moment, który dziesięć lat temu wydawał się jednorazowym cudem, a dziś zdarza się właściwie co tydzień. Chodzi o ruch 37, pojedynczy czarny kamień położony przez AlphaGo w partii z Lee Sedolem, i o to, że maszyny zaczęły robić rzeczy, na które żaden człowiek by nie wpadł.
Kluczowe fakty:
- W marcu 2016 roku AlphaGo wykonał słynny ruch 37 w partii z Lee Sedolem – czarny kamień położony w miejscu, któremu sam program przypisywał prawdopodobieństwo jeden do dziesięciu tysięcy, że człowiek zagrałby w tym punkcie.
- AlphaGo wygrał pięciomeczowy pojedynek w Seulu 4:1, a Lee Sedol publicznie przeprosił wszystkich ludzi za tę porażkę.
- 6 sierpnia 2026 roku w czasopiśmie „Science" ukazała się praca zespołu ze Stanforda i Arc Institute, dotycząca modeli językowych genomu Evo 1 i Evo 2, opracowanych pod kierownictwem prof. Briana Hie.
Cohen przypomina scenę, którą pamięta każdy, kto oglądał tamten mecz. Lee Sedol wyszedł w środku partii na papierosa, żeby uspokoić nerwy. Kiedy wrócił, na planszy leżał kamień, którego nie przewidywał żaden podręcznik. Zapis tamtego spotkania wciąż jest dostępny na YouTube, a redakcja WSJ zapowiedziała tekst na swoim profilu.
Sprawdziłem, co dokładnie wydarzyło się w ostatnich miesiącach, żeby ocenić, czy teza o powszechności takich momentów się broni. Broni się aż za dobrze.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Czym właściwie był ruch 37
Marzec 2016, druga partia pięciomeczowego pojedynku w Seulu. AlphaGo, program stworzony przez londyński DeepMind, stawia kamień na piątej linii, daleko od miejsc, w których tysiące lat tradycji go każą grać na tym etapie partii. Komentujący mecz zawodowiec Michael Redmond najpierw pomyślał, że doszło do pomyłki w transmisji. Sam program szacował prawdopodobieństwo, że człowiek zagrałby w tym miejscu, na jeden do dziesięciu tysięcy.
Ruch okazał się dobry. AlphaGo wygrał partię i cały mecz 4:1, a Lee Sedol przeprosił potem publicznie wszystkich ludzi.
Znaczenie tamtego kamienia nie polegało na sile gry. Polegało na tym, że system wytrenowany częściowo na ludzkich partiach wyszedł poza to, czego się od ludzi nauczył. Dziś zawodowi gracze go studiują zapisy partii silników, nie odwrotnie.
Evo 2 pisze genomy, których ewolucja nie napisała
6 sierpnia 2026 roku w „Science” ukazała się praca zespołu ze Stanforda i Arc Institute w Palo Alto, kierowanego przez prof. Briana Hie, z doktorantem bioinżynierii Samuelem Kingiem jako pierwszym autorem. Zespół użył modeli językowych genomu Evo 1 i Evo 2, które zamiast tekstu przetwarzają sekwencje DNA, do zaprojektowania kompletnych genomów bakteriofagów.
Jak to wyglądało w praktyce:
- Za szablon posłużył bakteriofag ΦX174, ten sam, którego genom Frederick Sanger odczytał jako pierwszy w historii w 1977 roku. Ma około 5386 par zasad i koduje 11 genów.
- Modele wytrenowano na sekwencjach około dwóch milionów bakteriofagów. Z zestawu treningowego celowo usunięto wirusy zdolne zakażać ludzi, zwierzęta i rośliny.
- Powstały setki tysięcy kandydatów. Zespół zsyntetyzował 302 projekty.
- Szesnaście z nich złożyło się w działające fagi, które zakażały i zabijały bakterie E. coli.
- Koktajl złożony z tych szesnastu wirusów poradził sobie z dwoma szczepami E. coli opornymi już na faga występującego w naturze.
Najciekawszy jest jednak szczegół, który wyszedł dopiero pod mikroskopem krioelektronowym. W kapsydzie jednego ze sztucznych fagów znaleziono ewolucyjnie odległe białko pakujące DNA, czyli element, którego w tej rodzinie wirusów nikt wcześniej nie widział. Model nie skopiował. Model złożył coś, czego w bazie nie było.
Autorzy nazwali to pierwszym generatywnym projektem kompletnych genomów, a Stanford potwierdził w komunikacie, że jest to pierwsza recenzowana demonstracja tego typu. Wcześniejsza wersja pracy krążyła jako preprint od września 2025 roku.
W tym samym numerze „Science” ukazał się komentarz specjalistów od bezpieczeństwa biologicznego z Johns Hopkins, Thomasa V. Inglesby’ego i Moritza S. Hankego. Ich wniosek jest krótki i niewygodny. Systemy przesiewowe używane przez firmy syntetyzujące DNA porównują zamówione sekwencje z bazami znanych patogenów. Sekwencja, której nigdy nie było w żadnym organizmie, przechodzi przez takie sito bez alarmu. W Stanach Zjednoczonych obowiązek takiego przesiewu i tak pozostaje dobrowolny.
Matematyka: rok, w którym modele zaczęły dowodzić
Drugi obszar to teoria liczb i geometria. W styczniu 2026 roku w ciągu siedmiu dni rozwiązano trzy problemy Erdősa z udziałem sztucznej inteligencji, a dowody zweryfikował Terence Tao. Problem numer 728 padł jako pierwszy, w tandemie GPT-5.2 Pro i systemu Aristotle firmy Harmonic, pracującego w języku Lean. Gemini Deep Think samodzielnie zamknął problem 1051 i trafił do opublikowanej pracy naukowej. W kwietniu Forbes opisał rozwiązanie problemu 1196, postawionego w 1968 roku przez Erdősa, Sárközyego i Szemerédiego, gdzie ciekawa była nie tyle odpowiedź, ile metoda, po którą nikt wcześniej w tej klasie zadań nie sięgnął. W maju OpenAI ogłosiło, że jego model obalił hipotezę geometryczną Erdősa z 1946 roku.
Osobno działa AlphaEvolve z DeepMind, który poprawił rekord w mnożeniu macierzy utrzymujący się od 56 lat.
I tu muszę wejść w rolę sceptyka, bo cała ta lista ma drugą stronę. Siedem miesięcy wcześniej ówczesny wiceprezes OpenAI Kevin Weil ogłosił na X, że GPT-5 rozwiązał dziesięć otwartych problemów Erdősa. Okazało się, że model znalazł rozwiązania istniejące już w literaturze. Wpis zniknął po krytyce ze strony Yanna LeCuna i Demisa Hassabisa. Jeszcze wymowniejszy jest los zespołowej pracy o półautonomicznych odkryciach z Gemini: liczba wyników uznanych za naprawdę nowe spadła z dziewięciu do czterech, gdy autorzy pokazali je zewnętrznym ekspertom. Nie dlatego, że dowody były błędne. Dlatego, że ktoś już to zrobił, tylko trudno było to znaleźć.
W lutym 2026 roku jedenastu matematyków uruchomiło inicjatywę „First Proof”: dziesięć pytań wynikłych z ich własnych badań, odpowiedzi zaszyfrowane i wgrane na stronę weryfikującą, tydzień dla modeli. Chodziło o wyeliminowanie zanieczyszczenia danych treningowych. Wstępne wyniki pokazują, że publicznie dostępne systemy tej poprzeczki jeszcze samodzielnie nie przeskakują.
Widzę tu dwa zjawiska naraz i nie chcę ich mylić. Pierwsze jest prawdziwe: model językowy napisał genom, który zadziałał w probówce, i to jest jakościowa zmiana, nie kolejny punkt procentowy w benchmarku. Drugie jest szumem: każdy kwartał przynosi ogłoszenie o przełomie, który po dwóch tygodniach okazuje się rzeczą znaną od dekady, tylko zakopaną w mało czytanym czasopiśmie.
Rozróżnienie między nimi wymaga pracy, której większość redakcji nie wykonuje, bo nagłówek „AI rozwiązała problem sprzed 60 lat” klika się lepiej niż „AI odnalazła cudzy dowód”. Uczciwie przyznaję, że i mnie ta pokusa dotyczy.
Mam za to konkretne pytanie do tych, którzy cieszą się z szesnastu działających fagów. Kto sprawdza zamówienia na syntezę DNA w Europie i według jakiej listy? Bo jeśli odpowiedź brzmi „według listy znanych patogenów”, to właśnie dowiedzieliśmy się, że ta lista przestała wystarczać. Ruch 37 był piękny, bo plansza go do niczego nie zobowiązywała. Genom to nie plansza.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Google przestawia ludzi od odkryć
Tydzień przed tekstem Cohena, 5 sierpnia, Google ogłosił największą zmianę w kierownictwie swoich zespołów badawczych od lat. Demis Hassabis oddał stanowisko dyrektora generalnego Google DeepMind i został przewodniczącym rady tej jednostki oraz głównym naukowcem Alphabetu, zachowując kierowanie Isomorphic Labs. Codzienną operacyjną odpowiedzialność, łącznie z rozwojem modeli Gemini, przejął Koray Kavukcuoglu, dotychczasowy dyrektor techniczny DeepMind, raportujący bezpośrednio do Sundara Pichaia.
„Teraz jest właściwy moment, żebym przekazał codzienne obowiązki operacyjne” / „now is the right time for me to hand over my day-to-day operational responsibilities”, napisał Hassabis w liście do pracowników cytowanym przez CNBC.
Tego samego dnia Jeff Dean, pracownik numer trzydzieści i główny naukowiec Google, odszedł po 27 latach. Zakłada Discovery Loop, spółkę o statusie public benefit corporation, razem z Sanjayem Ghemawatem, Oriolem Vinyalsem i Quociem Le. Alphabet jest inwestorem założycielskim i dostarczy moc obliczeniową. Cel firmy Dean opisał jako automatyzację pętli eksperymentalnej w badaniach naukowych i inżynieryjnych.
W rozmowie z „New York Timesem” Dean wyjaśnił motywację bez ogródek: „Możemy podejmować decyzje, które niekoniecznie leżą w czysto finansowym interesie firmy” / „We might make decisions that are not necessarily in the company’s purist financial interests”.
Akcje Alphabetu spadły po ogłoszeniu o około cztery do pięciu procent. Rynek nie lubi, kiedy z jednej firmy w jeden dzień wychodzi tylu ludzi od modeli.
Dlaczego akurat fagi powinny nas w Polsce obchodzić
Tu robi się ciekawie, bo Polska ma w tej konkretnej dziedzinie pozycję, jakiej nie ma w żadnym innym obszarze związanym ze sztuczną inteligencją i biologią.
Ośrodek Terapii Fagowej przy Instytucie Immunologii i Terapii Doświadczalnej im. Ludwika Hirszfelda PAN we Wrocławiu działa od 2005 roku i przez lata pozostawał jedyną taką placówką w Unii Europejskiej. Kieruje nim prof. Andrzej Górski, Centrum Medyczne instytutu prowadzi prof. Ryszard Międzybrodzki. Wrocław kwalifikuje pacjentów do terapii eksperymentalnej, izoluje fagi i przygotowuje spersonalizowane preparaty dla konkretnego szczepu wyhodowanego od konkretnego chorego. Polskie szpitale korzystają z tej metody od lat siedemdziesiątych.
Instytut prowadzi też konsorcjum, które w 2022 roku dostało z Agencji Badań Medycznych blisko 15,5 mln zł na niekomercyjne badanie kliniczne terapii fagowej w przewlekłym zapaleniu zatok przynosowych, z dr. hab. Tomaszem Zatońskim z Uniwersytetu Medycznego we Wrocławiu jako głównym badaczem. Górski tłumaczył wtedy, że mimo rosnącego zainteresowania fagoterapią na świecie nikomu nie udało się jeszcze potwierdzić jej skuteczności w podwójnie zaślepionym badaniu z placebo.
Skala problemu, do którego to wszystko się odnosi:
- Według raportu OECD „Health at a Glance 2025” w 2023 roku w Polsce przepisywano średnio 21 dawek dobowych definiowanych antybiotyku na tysiąc mieszkańców dziennie, przy średniej OECD wynoszącej 16. To około 31 procent powyżej średniej.
- Raport WIM-PIB pokazał 3,5-krotny wzrost liczby izolacji Klebsiella pneumoniae typu NDM, czyli szczepu, przy którym kończą się opcje terapeutyczne.
- Szacunki ECDC mówią o około 700 tysiącach zakażeń bakteriami opornymi i ponad 33 tysiącach zgonów rocznie w Europie, przy czym sami autorzy tych liczb uważają je za zaniżone.
Polski ośrodek ma dane kliniczne, których nie ma nikt inny. Amerykanie mają model, który projektuje fagi szybciej, niż da się je wyizolować z kanalizacji. Połączenie tych dwóch rzeczy wydaje się na tyle oczywiste, że dziwię się, iż nikt jeszcze nie ogłosił takiej współpracy. Jeśli ktoś w Warszawie zastanawia się, gdzie polska nauka mogłaby realnie stanąć w pierwszym szeregu, to nie w budowaniu kolejnego modelu językowego, tylko właśnie tutaj.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Co z tego wynika
Cohen ma rację, że ruch 37 przestał być pojedynczym wydarzeniem. Ale przesunęła się też stawka. Kamień na piątej linii mógł najwyżej kosztować partię. Sekwencja DNA, która przechodzi przez system przesiewowy niezauważona, kosztuje coś zupełnie innego.
Lee Sedol wycofał się z zawodowego go w 2019 roku. Powiedział wtedy, że nawet gdyby był numerem jeden, istnieje byt, którego pokonać się nie da. Wtedy brzmiało to melodramatycznie. Teraz brzmi jak opis stanu faktycznego w kilkunastu dziedzinach naraz.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz źródeł, w tym pracy Samuela H. Kinga i współpracowników Generative design of bacteriophages with genome language models opublikowanej w „Science” 6 sierpnia 2026 roku wraz z komentarzem Thomasa V. Inglesby’ego i Moritza S. Hankego, tekstu Bena Cohena Move 37 Is the Moment AI Changes Everything z „The Wall Street Journal” z 7 sierpnia 2026 roku oraz relacji CNBC o zmianach w kierownictwie Google DeepMind z 5 sierpnia 2026 roku. Korzystałem także z materiałów Arc Institute, MIT Technology Review, Axios, Fortune, Forbes, preprintów w arXiv dotyczących półautonomicznych odkryć matematycznych z użyciem Gemini oraz z raportu OECD „Health at a Glance 2025”. Polski kontekst opracowałem na podstawie informacji Polskiej Akademii Nauk o Ośrodku Terapii Fagowej IITD PAN we Wrocławiu, a także danych Narodowego Instytutu Leków, KORLD, ECDC i raportu WIM-PIB. Cytaty Demisa Hassabisa i Jeffa Deana zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o generatywnym projektowaniu genomów i o zasadach przesiewania zamówień na syntezę DNA.
